Conteúdo Teórico: 02 Probabilidade Condicional

ACH2053 Introdução à Estatística Conteúdo Teórico: 02 Probabilidade Condicional Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. 2º capítulo 1

2.1 Definição de probabilidade condicional Exemplo: Bilhete da Mega-Sena Considere o jogo da Mega-Sena, em que seis números são sorteados sem reposição dentre os números 1 60. O objetivo é acertar o conjunto de seis números sorteados, independentemente da ordem de sorteio. Suponha que você tem um bilhete com os números 3,15,20,35,41,58. Você liga a televisão para assistir ao sorteio mas você só vê o sorteio do 1º número, 15, quando a energia cai subitamente. Agora que você sabe que o número 15 aparece no sorteio vencedor, a probabilidade de seu bilhete ser um ganhador deve ser maior do que era antes de você ter visto o sorteio. Como atualizar a probabilidade de seu bilhete ser ganhador? 2

2.1 Definição de probabilidade condicional Esse exemplo é típico da seguinte situação: Considere que um experimento deve ser realizado; seu espaço amostral é conhecido, assim como as probabilidades de ocorrência para todos os eventos de interesse. Durante a realização do experimento (ou até antes), tomamos conhecimento de que algum evento B ocorreu, e queremos saber como a probabilidade de outro evento A se altera depois de sabermos que B ocorreu. Se sabemos que o evento B ocorreu, então sabemos que o resultado do experimento é um daqueles pertencentes a B. Logo, para calcular a probabilidade de que A ocorrerá, precisamos considerar o conjunto dos resultados que também implicam na ocorrência de A, ou seja, nos resultados pertencentes a A B. 3

2.1 Definição de probabilidade condicional Definição 2.1.1: Probabilidade condicional Suponha que aprendemos que um evento B ocorreu e queremos calcular a probabilidade de outro evento A levando em conta que sabemos da ocorrência de B. A nova probabilidade de A é denominada a probabilidade condicional de que o evento A ocorreu dado que o evento B tenha ocorrido. Notação: Pr (A B). Se Pr B > 0, calculamos essa probabilidade como A probabilidade condicional Pr (A B) não é definida quando Pr B = 0. 4

2.1 Definição de probabilidade condicional Voltando ao exemplo do bilhete da Mega-Sena O evento de que tomamos conhecimento foi: B = {um dos números sorteados é 15} O evento cuja probabilidade queremos calcular é: A = {os números 3,15,20,35,41,58 são sorteados}. O espaço amostral S consiste de todos os sorteios de 6 dentre 60 números (independentemente da ordem de sorteio): 60 S = 6 = 60! 6! 54! = 50.063.860 Evento B consiste das combinações que incluem 15, e portanto 59 Pr B = B = 5 59! 6! 54! = 60 60! 4! 55! = 6 5 60 55 0,0091 6 O evento A de que seu bilhete é vencedor consiste de um único resultado que também está em B, de forma que A B = A, e 5

2.1 Definição de probabilidade condicional Voltando ao exemplo do bilhete da Mega-Sena Pr B = B = = 9 10 3 59 5 60 6 = 59! 6! 54! 60! 4! 55! = 6 5 60 55 0,009 O evento A de que seu bilhete é vencedor consiste de um único resultado que também está em B, de forma que A B = A, e Pr A B = Pr A = 1 1 = 2 10 8 60 50.063.860 6 Segue que a probabilidade condicional de A dado B é: 2 10 8 Pr A B = 2,22 10 5 9 10 3 Note que Pr A B é 3 ordens de grandeza superior a Pr A antes de você que B havia ocorrido. 6

2.1 Definição de probabilidade condicional A probabilidade condicional possui tanto uma interpretação subjetiva como também frequentista: Interpretação subjetiva: Pr A B é a probabilidade atribuída ao evento A após o conhecimento de que o evento B ocorreu. Interpretação frequentista: Se um processo experimental é repetido um número grande de vezes, então a proporção de repetições nos quais o evento B ocorrerá será aproximadamente Pr B, e a proporção de repetições nas quais ambos os eventos A e B ocorrerão será aproximadamente Pr A B. Portanto, entre as repetições nas quais o evento B ocorre, a proporção de repetições em que A também ocorrerá é aproximadamente igual a 7

2.1 Definição de probabilidade condicional Exemplo 2.1.4: Ensaio clínico Prien et al. (1984) estudaram 3 tratamentos para contra reincidência de depressão: imipramina, carbonato de lítio e uma combinação. Para tal, conduziram um ensaio clínico com três grupos, cada qual recebendo um tratamento, e um 4º grupo que receberam um placebo. Neste exemplo, consideramos 150 pacientes (que entraram após um episódio de depressão), divididos nos quatro grupos. 8

2.1 Definição de probabilidade condicional Exemplo 2.1.4: Ensaio clínico Seja B o evento de que o paciente recebeu o placebo, e seja A o evento de que o paciente teve uma reincidência. Podemos calcular Pr B = 34/150 e Pr A B = 24/150 diretamente da tabela. Então Pr A B = 24 34 = 0.706. Por outro lado, se o paiente tiver recebido lítio (chamemos evento C), então Pr C = 38/150, Pr A C = 13/150 e Pr A C = 13 38 = 0.342 Ou seja, conhecendo o tratamento que o paciente recebeu parece fazer diferença na probabilidade de reincidência. Futuramente neste curso estudaremos testes de hipóteses, que servem para avaliar se essa diferença observada é estatisticamente significante ou se é meramente fruto do acaso na amostra particular que foi coletada. 9

2.1 Definição de probabilidade condicional Exemplo: A caixa de Bertrand: Você passou a vida toda procurando as Pérolas Gêmeas (um dos tesouros arqueológico muito valioso) e finalmente as encontrou. Há 3 porta-joias fechados, cada qual com duas gavetas, e você sabe que as Pérolas Gêmeas estão em um deles. Quando você força a abertura de uma das gavetas, encontra o que parece ser uma das Pérolas Gêmeas, junto com o seguinte bilhete: 10

2.1 Definição de probabilidade condicional Exemplo: A caixa de Bertrand (cont) 11

2.1 Definição de probabilidade condicional Exemplo: A caixa de Bertrand (cont): Qual a probabilidade de você encontrar outra pérola na 2ª gaveta do mesmo porta-joias? Ou: Qual a probabilidade de que a 1ª gaveta que você abriu era do porta-joias correto? Chamemos os três porta-joias de PP, PC e CC, de acordo com seu conteúdo (2 pérolas, 1 pérola e 1 carvão, 2 carvões). O que queremos saber é a probabilidade de nosso porta-joias ser o PP. Resposta: via probabilidade condicional: Evento PP: o porta-joias aberto é o PP Evento A: a gaveta aberta contém uma pérola. Pr (PP A) Pr PP A = = 1/3 Pr(A) 1/2 = 2/3 12

2.1 Probabilidade condicional Regra da multiplicação Em alguns experimentos, certas probabilidades condicionais são relativamente simples de atribuir diretamente. Nesses casos, é então possível calcular a probabilidade de que os dois eventos ocorram, por inversão direta da equação que define as probabilidades condicionais. Teorema 2.1.1: Regra da multiplicação para probabilidades condicionais (dois eventos) Sejam A e B eventos. Se Pr B > 0, então Pr A B = Pr B Pr A B. Se Pr A > 0, então Pr A B = Pr A Pr B A. 13

2.1 Probabilidade condicional Regra da multiplicação Exemplo: Seleção de duas bolas Suponha que duas bolas devem ser selecionadas aleatoriamente, sem reposição, de uma caixa contendo r bolas vermelhas e b bolas azuis. Devemos determinar a probabilidade p de que a primeira bola será vermelha e a segunda bola será azul. Resp. Seja A o evento de que a primeira bola é vermelha, e B o evento de que a segunda bola é azul. Claramente, Pr A = r/(r + b). Além disso, se o evento A ocorreu, então uma bola vermelha foi removida da caixa. Logo, a probabilidade de obter uma bola azul no segundo sorteio será: Segue então que: Esse princípio pode ser estendido para qualquer número de eventos, conforme descrito no seguinte teorema. 14

2.1 Probabilidade condicional Regra da multiplicação Teorema 2.1.2: Regra da multiplicação para probabilidades condicionais (múltiplos eventos) Suponha que A 1, A 2,, A n sejam eventos tais que Pr A 1 A 2 A n > 0. Então Dem: O produto das probabilidades do lado direito da Equação acima é: Todos os numeradores e denominadores se cancelam, exceto o último numerador que é justamente o lado esquerdo da equação. 15

2.1 Probabilidade condicional Regra da multiplicação Exemplo: Seleção de quatro bolas Suponha que quatro bolas devem ser selecionadas aleatoriamente, sem reposição, de uma caixa contendo r bolas vermelhas e b bolas azuis, r 2, b 2. Devemos determinar a probabilidade de que a sequência de bolas sorteadas seja vermelha, azul, vermelha, azul. Resp. Se denotarmos R j o evento de que uma bola vermelha foi obtida no j-ésimo sorteio, e B j o evento de que uma bola azul foi obtida no j- ésimo sorteio (j=1,...,4), então: 16

2.1 Probabilidade condicional e partições Resultados anteriores importantes (revisar!): Teorema 1.4.11: Partição de um conjunto em dois: Para todos conjuntos A e B, A B e A B c são disjuntos e A = A B A B c. Teorema 2.1.1: Regra da multiplicação para probabilidades condicionais: Sejam A e B eventos. Se Pr(B)>0, então Pr A B = Pr A Pr A B. A generalização do Teorema 1.4.11 para partições maiores, combinada com o Teorema 2.1.1, fornece uma ferramenta poderosa para cálculo de probabilidades, como veremos a seguir. 17

2.1 Probabilidade condicional e partições Definição 2.1.2: Partição Seja S o espaço amostral de um experimento, e considere k k eventos disjuntos B 1, B 2,, B k em S tais que i=1 B i = S. Dizemos que esses eventos formam uma partição de S. Teorema 2.1.4: Lei da probabilidade total Suponha que os eventos B 1, B 2,, B k formam uma partição do espaço S e que Pr (B j ) > 0 para j=1,...,k. Então, para qualquer evento A em S, 18

2.1 Probabilidade condicional e partições Teorema 2.1.4: Lei da probabilidade total Dem: Os eventos B 1 A, B 2 A,, B k A formam uma partição de A, como ilustrado na figura abaixo. Assim, podemos escrever Além disso, como os k eventos do lado direito da equação são disjuntos, temos: Como Pr (B j ) > 0 para todo j, vale e o resultado é imediato. 19

2.1 Probabilidade condicional e partições Exemplo 2.1.11: Seleção de parafusos Duas caixas contêm parafusos longos e parafusos curtos: Cx 1: 60 longos + 40 curtos; Cx 2: 10 longos + 20 curtos Uma das caixas é selecionada ao acaso e um parafuso é então selecionado aleatoriamente daquela caixa. Queremos determinar a probabilidade desse parafuso ser longo. Resposta: Seja B1 o evento indicando que a caixa 1 foi selecionada e B2 o evento análogo para a caixa 2. Seja A o evento indicando que um parafuso longo foi selecionado. Então, Sabemos que: Logo: Pr(B1) = Pr(B2) = 1/2; Pr(A B1) = 60/100 = 3/5; Pr(A B2) = 10/30 = 1/3 20

2.2 Eventos independentes Se a descoberta de que B ocorreu não altera a probabilidade de A, dizemos que A e B são independentes. Definição 2.2.1. Eventos independentes. Dois eventos A e B são independentes se Pr A B = Pr A Pr(B). Suponha que Pr A > 0 e Pr B > 0. Então segue diretamente das definições de independência e probabilidade condicional que A e B são independentes se e somente se Pr A B = Pr A e Pr B A = Pr B. 21

Exemplo 2.2.2: 2.2 Eventos independentes 22

Exemplo 2.2.3: 2.2 Eventos independentes 23

Exemplo 2.2.3 (cont): 2.2 Eventos independentes A independência dos eventos A e B pode ser interpretada como segue: Suponha que uma pessoa quer apostar se o número obtido no lançamento do dado é par ou ímpar. Como há 3 resultados de cada tipo (par ou ímpar), a pessoa não terá nenhuma preferência sobre par ou ímpar. Suponha agora que o dado foi lançado, mas antes do apostador saber o resultado e antes de fazer sua aposta, ele é informado que o resultado real foi um dos 4 números 1,2,3,4, ou seja, que o evento B ocorreu. Como 2 desses resultados são pares e 2 são ímpares, o apostador continuará a não ter nenhuma preferência por apostar no número para ou no ímpar. Em outras palavras, a informação de que o evento B ocorreu não ajuda em nada a pessoa que está tentando adivinhar se o evento A ocorreu ou não. 24

2.2 Eventos independentes Independência de complementos: Se A e B são independentes, a ocorrência de A não deve estar relacionada com a ocorrência de B. O mesmo vale para a não-ocorrência de A em relação à ocorrência (ou não-ocorrência) de B. Logo, se A e B são independentes, então: A e B c são independentes; A c e B são independentes; A c e B c são independentes. Teorema a seguir mostra um desses resultados. 25

2.2 Eventos independentes Teorema 2.2.1: Se dois eventos A e B são independentes, então os eventos A e B c são independentes. Dem: O Teorema 1.5.6 estabelece que (facilmente verificável pelo diagrama de Venn) Adicionalmente, como A e B são independentes, Pr A B = Pr A Pr(B). Segue então que: e portanto A e B c são independentes. 26

2.2 Eventos independentes múltiplos eventos A definição de eventos independentes pode ser estendida para quaisquer número de eventos, A 1, A 2,, A k. Intuitivamente: se a descoberta de que alguns desses eventos ocorre (ou não) não altera nossas probabilidades para quaisquer eventos que dependam apenas dos eventos restantes, então dizemos que todos os k eventos são independentes. Definição 2.2.2: Eventos mutuamente independentes. Os k eventos A 1, A 2,, A k são independentes (ou mutuamente independentes) se, para todo subconjunto desses eventos (j = 2,3,...,k), 27

2.2 Eventos independentes múltiplos eventos Por exemplo, para que três eventos A, B e C sejam mutuamente independentes, as quatro relações abaixo precisam ser satisfeitas: e 28

2.2 Eventos independentes múltiplos eventos Exemplo 2.2.5: 29

2.2 Eventos independentes múltiplos eventos Exemplo 2.2.5 (cont): Exemplo 2.2.6 : 30

2.2 Eventos independentes múltiplos eventos Exemplo 2.2.7: 31

2.2 Eventos independentes múltiplos eventos Exemplo 2.2.8: 32

2.3 Teorema de Bayes 33

Interpretação frequentista de probabilidade: Se um grande número de repetições forem realizados para observação de um evento, a frequência relativa da ocorrência do evento deve estar situada em um intervalo próximo da (verdadeira) probabilidade de ocorrência do evento. Interpretação de Bayes para probabilidade: como inferir causas a partir dos efeitos Como podemos aprender a probabilidade de um evento futuro ocorrer se apenas sabemos quantas vezes ele ocorreu ou não ocorreu no passado? Solução de Bayes: 2.3 Teorema de Bayes Criar uma estimativa inicial e melhorar sua estimativa à medida em que se coleta mais informação. Crença inicial + Novos dados Crença melhorada 34

Exemplo 2.3.1: Teste de uma doença Você está caminhando na rua e nota que o posto de saúde está fornecendo um teste gratuito para uma certa doença. O teste tem a seguinte confiabilidade: Sensibilidade: Se uma pessoa tem a doença, o teste tem 90% de probabilidade de dar um resultado positivo Especificidade: Se uma pessoa não tem a doença, o teste tem 90% de probabilidade de dar um resultado negativo. (Portanto, só 10% de probabilidade de dar resultado positivo) Dados epidemiológicos indicam que prevalência da doença é de apenas 1 em 10.000, mas como o teste é gratuito e não invasivo, você decide fazer. Alguns dias depois você recebe uma carta informando que seu teste deu positivo. Agora, qual é a chance de que você tem a doença? Resposta adiante 2.3 Teorema de Bayes 35

2.3 Teorema de Bayes Intuição (e demonstração) do teorema de Bayes: Suponha que você esteja interessado em obter as probabilidades de k eventos B 1, B 2,, B k após a realização de um experimento Esses eventos formam um partição de S um deles deve ocorrer Você possui estimativas iniciais de Pr B i > 0, i = 1 k. Seu interesse é calcular as probabilidades condicionais Pr B i A, i = 1,.., k, dado que evento A ocorreu no experimento. 36

2.3 Teorema de Bayes Intuição (e demonstração) do teorema de Bayes: Seu interesse é calcular as probabilidades condicionais Pr B i A, i = 1,.., k, dado que evento A ocorreu no experimento. Resposta: Da definição de probabilidade condicional + Teorema 2.1.1: Pr B i A = Pr (B i A) = Pr B i Pr (A B i ), i = 1,, k Pr (A) Pr (A) Agora, pelo Teorema 2.4.1 (ver diagrama no slide anterior): Pr(A) = k j=1 Pr (B j A) k = Pr B j Pr (A B j ) j=1 Substituindo Pr(A) no denominador da 1ª equação, temos: Pr B i Pr (A B i ) Pr B i A =. Pr B j Pr (A B j ) k j=1 37

2.3 Teorema de Bayes Teorema 2.3.1: Teorema de Bayes Sejam B 1, B 2,, B k eventos que formam uma partição do espaço S tais que Pr B i > 0, i = 1 k, e seja A um evento tal que Pr A > 0. Então, para i = 1 k, Pr B i A = Pr B i Pr (A B i ). k Pr B i Pr (A B i ) i=1 Pr B i A é calculado exclusivamente a partir das probabilidades a priori Pr B i e da verossimilhança Pr (A B i ) de A ocorrer, condicionado a cada um dos eventos alternativos B 1, B 2,, B k 38

Retornando ao Exemplo 2.3.1: Teste de uma doença O teste para uma doença tem a seguinte confiabilidade: Pr(positivo doença) = 90%; Pr(positivo não doença) = 10% Prevalência da doença na população: Pr(doença) = 1/10000 Seu teste deu positivo. Agora, qual é a chance de que você tem a doença? Resp: 2.3 Teorema de Bayes B 1 : você possui a doença; B 2 : você não possui a doença A: Seu teste deu positivo Pr B 1 Pr (A B 1 ) Pr B 1 A = Pr B 1 Pr A B 1 + Pr B 2 Pr (A B 2 ) 0.0001 0.9 = 0.0001 0.9 + 0.9999 0.1 = 0.00090. A probabilidade condicional de você ter a doença dado o resultado do teste aumentou 9x, mas continua baixa: aprox. 1 em 1000 39

Retornando ao Exemplo 2.3.1: Teste de uma doença A probabilidade condicional de você ter a doença dado o resultado do teste aumentou 9x, mas continua baixa: aprox. 1 em 1000 Explicação: Doença é relativamente rara (1 em 10.000) O teste tem uma alta taxa de resultados positivos (1 em 10), ou seja, o número de positivos pelo teste é 1000 vezes o número de pessoas que realmente têm a doença. Em outras palavras, de cada 1.000 pessoas para as quais o teste dá um resultado positivo, apenas uma pessoa tem a doença. Questões: 1. E se o teste fosse mais robusto? P.ex. com menor número de falsos positivos? 2. E se o teste tivesse dado negativo? Exercícios no próximo slide 2.3 Teorema de Bayes 40

Retornando ao Exemplo 2.3.1: Teste de uma doença Neste exemplo, a evidência de você ter a doença aumentaria significativamente se a taxa de falsos positivos do teste fosse menor Exercício 1: Clique aqui para baixar a planilha desse exemplo Teste diferentes valores de Pr(A B1) e Pr(A B2): Pr(A B1) = 0.9, 0.99, 0.999, etc Pr(A B2) = 0.1, 0.01, 0.001, 0.0001, etc. Observe que a Pr(B1 A) é mais sensível à taxa de falsos positivos Pr(A B2) do que à taxa de verdadeiros positivos Pr(A B1) Exercício 2: Suponha que seu teste deu negativo (chamemos de evento N) Calcule a probabilidade de você não ter a doença, dado esse resultado: Pr(B1 N) 2.3 Teorema de Bayes 41

2.3 Teorema de Bayes Voltando ao Exemplo: A caixa de Bertrand: Você passou a vida toda procurando as Pérolas Gêmeas (um dos tesouros arqueológico muito valioso) e finalmente as encontrou. Há 3 porta-joias fechados, cada qual com duas gavetas, e você sabe que as Pérolas Gêmeas estão em um deles. Quando você força a abertura de uma das gavetas, encontra o que parece ser uma das Pérolas Gêmeas, junto com o seguinte bilhete: 42

2.3 Teorema de Bayes Exemplo: A caixa de Bertrand (cont) 43

2.3 Teorema de Bayes Exemplo: A caixa de Bertrand (cont): Qual a probabilidade de você encontrar outra pérola na 2ª gaveta do mesmo porta-joias? Ou: Qual a probabilidade de que a 1ª gaveta que você abriu era do porta-joias correto? Chamemos os três porta-joias de PP, PC e CC, de acordo com seu conteúdo (2 pérolas, 1 pérola e 1 carvão, 2 carvões). O que queremos saber é a probabilidade de nosso porta-joias ser o PP. Anteriormente: resposta via probabilidade condicional: Evento PP: o porta-joias aberto é o PP Evento A: a gaveta aberta contém uma pérola. Pr (PP A) Pr PP A = = 1/3 PP(A) 1/2 = 2/3 44

2.3 Teorema de Bayes Outra forma de responder: Teorema de Bayes: Pr PP = Pr PC = Pr CC = 1/3 Probabilidades do evento A sob cada uma das três hipóteses: Pr A PP = 1; Pr A PC = 1 ; Pr A CC = 0 2 Pr PP Pr A PP Pr PP A = Pr PP Pr A PP + Pr PC Pr A PC + Pr CC Pr A CC 1 = 3 1 1 3 1 + 1 3 1 2 + 1 = 2/3 3 0 45

Exemplo: O problema de Monty Hall Você ficou muito feliz ao ser escolhido para participar do quadro Ferrari ou bode de um programa de televisão, em que poderá sair dirigindo uma Ferrari zero quilômetro, ou ganhar um bode de estimação. Há três portas. Atrás de uma está o carro, atrás das outras estão os bodes (todos colocados de forma aleatória, embora o apresentador saiba onde está o carro). O jogo: 2.3 Teorema de Bayes Você escolhe uma porta inicial. Monty Hall, o apresentador, abrirá uma porta com o bode, e perguntará se você quer trocar. Você deve decidir se mantém sua escolha original ou se muda de porta. Qual estratégia tem mais chance de ganho: manter ou trocar? 46

Exemplo: O problema de Monty Hall (solução direta) Estratégia: Não trocar de porta: Você só ganha o carro se sua 1ª escolha de porta for a correta Probabilidade de ganho com esta estratégia: 1/3 Estratégia: Trocar de porta: 2.3 Teorema de Bayes Se sua 1ª escolha de porta for a correta, você não ganha o carro (já que vai trocar por uma das duas outras contendo bodes). Mas, se a 1ª porta que você tiver escolhido tiver um bode, então Monty Hall será obrigado a abrir a porta com o outro bode, deixando para você a porta com a Ferrari. Não interessa sua 1ª porta era aquela com o bode 1 ou com o bode 2, sua 2ª porta será sempre aquela com a Ferrari. Ou seja: você só perde o carro o carro se sua 1ª escolha for a correta. Probabilidade de ganho: 2/3 47

2.3 Teorema de Bayes Exemplo: O problema de Monty Hall (solução via Teorema de Bayes) Vamos considerar os eventos C1, C2, C3 indicando que a Ferrari está atrás da porta 1,2 e 3, respectivamente. Vamos supor, sem perda de generalidade (s.p.g), que você tenha escolhido a porta 1. Também vamos supor, s.p.g, que o apresentador tenha aberto a porta 3 (evento denotado por A) Inicialmente, a probabilidade do carro estar em qualquer uma das 3 portas é a mesma, ou seja, Pr C1 = Pr C2 = Pr C3 = 1/3 As probabilidades do apresentador abrir a porta 3 em cada cenário são: Pr A C1 = 1 ; Pr A C2 = 1; Pr A C3 = 0 2 48

2.3 Teorema de Bayes Exemplo: O problema de Monty Hall (solução via Teorema de Bayes) Pr C1 = Pr C2 = Pr C3 = 1/3 As probabilidades do apresentador abrir a porta 3 em cada cenário são: Pr A C1 = 1 ; Pr A C2 = 1; Pr A C3 = 0 2 Logo, se você inicialmente selecionar a porta 1, e o apresentador abrir a porta 3, a probabilidade condicional de vitória pela estratégia de troca é: Pr C2 Pr A C2 Pr C2 A = Pr C1 Pr A C1 + Pr C2 Pr A C2 + Pr C3 Pr A C3 1 = 3 1 1 3 1 2 + 1 3 1 + 1 = 2/3 3 0 49

2.3 Teorema de Bayes Breve histórico do problema de Monty Hall: Desafio inspirado em um programa de televisão americana, Let s Make a Deal. Foi apresentado por Steve Selvin para o periódico American Statistician em 1975 Ficou famoso quando foi apresentado por um leitor para a coluna Ask Marilyn, na revista Parade em 1990 Marilyn vos Savant apresentou várias soluções para o problema (indicando a vantagem da estratégia de trocar a porta) mas recebeu várias cartas ridicularizando seus argumentos Argumento dos opositores era de que, uma vez que o apresentador (Monty Hall) abriu uma das portas, a probabilidade das outras duas portas conterem o prêmio aumentava para ½, o que significaria que manter a porta original ou trocar teriam as mesmas chances de sucesso Após vos Savant recomendar que as pessoas simulassem o jogo (repetindo várias vezes o jogo sob cada uma das estratégias e verificando a taxa de sucesso em cada uma), as posições dos leitores mudaram significativamente (embora sem unanimidade) Links: https://en.wikipedia.org/w/index.php?title=monty_hall_problem&oldid=771 023549 https://www.jstor.org/stable/2683689?seq=1#page_scan_tab_contents http://marilynvossavant.com/game-show-problem/ 50

2.3 Teorema de Bayes Exemplo 2.3.4: 51

Exemplo 2.3.4 - solução: 2.3 Teorema de Bayes 52

2.3 Teorema de Bayes Probabilidades a priori e a posteriori No exemplo 2.3.4, uma probabilidade como Pr (B 2 ) é comumente denominada a probabilidade a priori de que um item selecionado ao acaso tenha sido produzido pela máquina M 2 Pr (B 2 ) é a probabilidade do evento B 2 antes do item ser selecionado e antes de sabermos se o item selecionado é defeituoso ou não Uma probabilidade como Pr (B 2 A) é usualmente denominada probabilidade a posteriori de que o item selecionado tenha sido produzido pela máquina M 2 Pr (B 2 A) é a probabilidade do evento B 2 depois de sabermos que o item selecionado é defeituoso 53